闫师兄二十七八岁的模样，头发稀少，见到余江先打招呼。

“师兄早。”

余江坐到老爷机前，按下电源，风扇便疯狂转动。

这十年老拖拉机的动静，他敢打赌，那块赛扬566都应该属于“升级”。

“师兄啊……你们是用的什么电脑呢？”

“奔iii800。”

见余江一副生无可恋的表情，闫师兄呵呵笑道：“你来晚了一点，本来有多的，后面老板感觉集群太吃力，就把那台奔3的放机房去了。”

“你们机房没用专门的服务器啊？”

“是啊，全用的台式做集群……所以你知道我们条件多艰苦了吧？”闫师兄摇了摇头：“去年有人毕业证都不要就直接跑路了，实在受不了这玩意。”

余江：“……是够艰苦的。”

这会电脑已经打开，余江迅速输入密码，打开arxiv。

现在arxiv上占位性质的论文很多，但也能看到高质量、高数量且最新的论文。

这边，闫宏飞见他快速地用鼠标划拉着篇幅，几乎几分钟就把一篇全英文的论文看完，随后又打开另外一篇后，眼中惊讶顿升。

他这是读论文，还是在看网文？

怀着疑惑，闫宏飞起身，慢慢走到余江身后。

只见余江正在阅读一篇关于玻尔兹曼机的论文。

看得出来，余江看得很认真，但他翻页的速度依旧极快！

甚至闫宏飞都只来得及看清楚一个公式，余江就又翻页了！

闫宏飞只感觉头皮一阵发麻：“你看完了？”

“嗯。”余江回头，见闫宏飞满脸惊恐，马上意识到对方可能被自己看论文的速度吓到了，连忙解释道：“就随便翻了一下。”

闫宏飞却只是摇了摇头。

他当然愿意相信余江只是随便翻了一下。

但随便翻的状态，和认真的、快速看的状态，又怎会一样？

他又联想到这家伙恐怖的分数……

他又联想到这家伙恐怖的分数……

沉默了几秒，他又想到昨天喻林的话。

“师弟，你对爬虫了解多少？”

余江回头：“了解了一点点，怎么？”

“就是即便加了节点，并行抓取也是重复，而且很慢。”闫宏飞望着余江：“有思路没？”

余江微微皱眉。

这位师兄好像是博一……

“嗯……师兄肯定去重没问题……”余江一边说着一边观察闫宏飞的表情，“要不我看看日志？”

闫宏飞点头，随即打开日志。

余江从旁边拉过凳子，迅速查看日志。

爬虫这玩意谁没玩过啊——他当初写的验证lai123链接网站的小工具，如果加一道分析，就可以算爬虫了。

“师兄用的文件列表？”

“也试过hashset去重，但很快就爆内存。”

“url队列问题确实难搞。”余江点头，安静地思索了片刻。

闫宏飞也耐心地等待，只是眼神略有闪烁。

“hashset在url总量过高的时候确实会占用大量内存，文件列表吃io。”

闫宏飞就叹了口气，他的办法是平均负载，但终归治标不治本。

余江转头望着闫宏飞。

“要不试试全局去重？”

闫宏飞一怔：“怎么全局，什么架构？”

“引入一个轻量master节点，专门维护一个全局bloomfilter做去重。”

“位数组大小按我们当前几千万网页规模留足余量，用几个独立哈希函数，误判率控制在千分之五以内就够用。worker节点本地先快速过滤，新提取的url再批量通过tcp发给master确认。”

“关键是per-hostbackqueues：master按主机名hash分桶，每个主机维护一个fifo队列和一个下次可抓时间……”

“……master本身用轻量内存结构，也没什么瓶颈。”

余江一边思索，一边慢慢地给出方案。

他同时也感慨。

这些在后世几乎算是搜索引擎入门教科书一般的解决方案，在现在却是拦路虎一般的存在。

闫宏飞认真地听着，最后猛地望向余江。

“你之前干过？”

闫宏飞死死地盯着余江。

他完全不信，一个没有干过搜索引擎的人，会在这么短时间内就给出近乎完整的解决方案！

余江轻轻咳了咳：“玩过爬虫，也玩过分布式……但分布式爬虫没玩过。”

“我晕！你上哪里玩的？”

余江一阵无语。

知道不把这帮师兄们震住，怕是每天都要问个不休了。

“师兄，非得要我说，我有个非常有钱的姐，她手底下有上百台piii志强服务器吗？”

“靠！”

闫宏飞猛地起身。

这时，徐飞和彭波也正好进门。

“你俩来得正好！赶紧把他按住！”

二人同时一惊。

“闫哥你要干啥？”

闫宏飞是一愣，似乎也不知道自己起身干啥。

但他很快转头望向余江。

“师弟，能把你姐介绍给师兄吗？”

contentend

_s